En un hotel de Mountain View, California, a treinta millas al sur de San Francisco, algunos de los investigadores de inteligencia artificial más reconocidos del mundo se reunieron lejos del ruido de Silicon Valley. También lejos de sus laboratorios.
La paradoja no pasó desapercibida: quienes durante décadas construyeron los fundamentos teóricos de la IA observan hoy cómo las herramientas más potentes del campo quedan fuera de su alcance, en manos de empresas privadas que no comparten ni sus datos ni sus modelos. Para muchos académicos, el terreno que cultivaron ya no les pertenece del todo.
El centro de gravedad se desplaza a las empresas privadas
En los últimos cuatro años, la investigación en inteligencia artificial ha girado en torno a los grandes modelos de lenguaje. Ese giro ha tenido una dirección clara: de las universidades hacia los laboratorios privados. OpenAI, Anthropic y Google DeepMind marcan ahora el ritmo del campo.
Las universidades no pueden costear las GPUs necesarias para entrenar modelos de frontera. Pero el problema va más allá de lo económico. Aunque pudieran permitírselas, empresas como Anthropic u OpenAI no comparten los detalles internos de sus sistemas: ni el diseño, ni los datos de entrenamiento, ni los procesos de ajuste, ni los criterios que guían esas decisiones.
Nika Haghtalab, profesora de informática en UC Berkeley, lo resume con una analogía precisa. Ser investigadora académica de IA hoy, dice, es como ser bióloga en un mundo donde solo empresas privadas controlan CRISPR. Puedes estudiar el comportamiento externo de ChatGPT o Claude. Pero no puedes acceder a su diseño ni influir en su desarrollo.
Investigar lo que las empresas no quieren investigar
Ante este escenario, muchos académicos han reorientado su trabajo hacia preguntas que las empresas tienen poco incentivo económico para responder, o cuyas respuestas directamente podrían perjudicarlas.
Anjalie Field, profesora de informática en Johns Hopkins, lo expresa sin rodeos: intenta no trabajar en problemas que cree que va a resolver una empresa tecnológica. Esa decisión moldea el tipo de investigación que produce. Recientemente publicó un estudio en el que descubrió que los modelos de lenguaje ofrecen respuestas menos elaboradas ante preguntas formuladas con patrones lingüísticos más frecuentes entre mujeres. Es difícil imaginar ese estudio saliendo de Anthropic u OpenAI.
La financiación federal en Estados Unidos no ayuda. Su reducción agrava la presión sobre los laboratorios universitarios, y para quienes estudian modelos comerciales sin ejecutarlos localmente, el coste de consultarlos de forma repetida puede resultar prohibitivo.
La IA especializada, invisible ante el ruido de los LLM
Existe un grupo amplio de investigadores académicos que no trabaja con LLM. Son científicos que desarrollan modelos especializados para predecir el clima, analizar datos científicos complejos o simular sistemas físicos enteros. Su trabajo no compite directamente con los laboratorios privados de frontera.
El problema es otro: la percepción pública. Cuando financiadores y ciudadanos asocian la palabra «IA» casi exclusivamente con los grandes modelos de lenguaje, defender la relevancia de una herramienta de IA climática se vuelve más complicado de lo necesario.
Un ejemplo reciente ilustra la fragilidad de este espacio incluso dentro de las propias empresas. El equipo de AlphaFold en Google DeepMind —responsable de un modelo galardonado con el Nobel por predecir estructuras proteicas— fue disuelto el pasado mes. Si ni siquiera la IA científica de mayor reconocimiento está protegida, los investigadores externos tienen motivos sobrados para preocuparse.
Una nueva amenaza: ¿pueden los modelos reemplazar a los matemáticos?
En los últimos seis meses ha emergido una inquietud adicional. Modelos de OpenAI han resuelto problemas matemáticos de investigación real, abriendo un debate incómodo: ¿tienen los humanos un futuro en las matemáticas puras?
Algunos académicos no lo plantean solo como una cuestión disciplinar. Una investigadora del programa AI2050 mencionó su preocupación por la salud mental de sus colegas matemáticos ante esta perspectiva. La amenaza no es únicamente profesional; también es existencial para quienes han dedicado su vida a ese campo.
La ciencia empírica, en cambio, podría ser mucho más difícil de automatizar. Recoger datos es un proceso intrínsecamente lento, y esa lentitud, paradójicamente, puede funcionar como una forma de protección.
La resiliencia como ventaja competitiva
No todo apunta en una dirección pesimista. Las restricciones de recursos empujan a los académicos a innovar de formas que los laboratorios bien financiados rara vez exploran: modelos más pequeños, más eficientes, construidos con arquitecturas completamente nuevas. Ese ingenio surge precisamente cuando no hay recursos ilimitados.
Tim Dettmers, informático en Carnegie Mellon especializado en hacer los modelos más rápidos y baratos, ofrece una lectura distinta. Los sistemas de IA no reemplazarán a los humanos, argumenta. Al contrario: podrían hacerlos mucho más eficientes, liberando tiempo para perseguir ideas que de otro modo nunca habrían tenido oportunidad de explorar.
La academia tiene una historia larga de adaptación. Si el próximo gran avance en IA surge de un laboratorio universitario con presupuesto ajustado en lugar de una gran corporación, no será ninguna sorpresa. Vale la pena seguir de cerca qué preguntas están haciendo hoy los investigadores que no pueden permitirse las respuestas fáciles.